Диагностика хронической болезни почек с использованием алгоритмов деревьев решений

Введение: Хроническая болезнь почек (ХБП) — это постепенное снижение функции почек в течение нескольких месяцев или лет без выраженных симптомов; это жизнеугрожающее заболевание. Оно прогрессирует по шести стадиям в зависимости от степени тяжести. Стадии определяют на основании скорости клубочковой фильтрации (СКФ), для расчёта которой используют несколько признаков, таких как возраст, пол, раса и уровень креатинина сыворотки крови. Среди многочисленных моделей оценки СКФ модель Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI), линейная модель, показала высокую эффективность, поскольку позволяет выявлять все стадии ХБП.

Методы: Раннее выявление и лечение ХБП чрезвычайно желательны, поскольку это может предотвратить нежелательные последствия. В последнее время методы машинного обучения широко предлагают для раннего выявления симптомов и диагностики различных заболеваний. Исходя из этой цели, задачей данного исследования было прогнозирование различных стадий ХБП с использованием алгоритмов классификации машинного обучения на наборе данных, полученном из медицинских записей больных. В частности, были использованы алгоритмы случайного леса и J48, чтобы получить устойчивую и практичную модель для выявления различных стадий ХБП с высокой медицинской точностью.

Результаты: Сравнительный анализ показал, что J48 лучше, чем случайный лес, предсказывал ХБП на всех стадиях, при точности 85,5%. Исследование также показало, что J48 демонстрирует более высокую эффективность по сравнению со случайным лесом.

Выводы: Авторы пришли к выводу, что этот подход можно использовать для создания автоматизированной системы выявления тяжести ХБП.